摘要：深度神經(jīng)網(wǎng)絡(luò)里面，大部分節(jié)點都是等同的，但是在人類神經(jīng)網(wǎng)絡(luò)里面，并不是這樣。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)目前的深度神經(jīng)網(wǎng)絡(luò)主要是三種結(jié)構(gòu)，全連接的卷積，循環(huán)。總結(jié)一下，就是深度神經(jīng)網(wǎng)絡(luò)和大腦皮層有共通的地方，但是并不能算是模擬。

神經(jīng)元

在深度學(xué)習(xí)領(lǐng)域，神經(jīng)元是最底層的單元，如果用感知機的模型， wx + b, 加上一個激活函數(shù)構(gòu)成了全部，輸入和輸出都是數(shù)字，研究的比較清楚。別的不說，在參數(shù)已知的情況下，有了輸入可以計算輸出，有了輸出可以計算輸入。

但在神經(jīng)科學(xué)領(lǐng)域，神經(jīng)元并不是最底層的單位。

舉例來說，有人在做神經(jīng)元膜離子通道相關(guān)的工作。一個神經(jīng)元的輸入，可以分為三部分，從其他神經(jīng)元來的電信號輸入，化學(xué)信號輸入，還有編碼在細胞內(nèi)的信號（興奮，抑制類型，這里可以類比為 激活函數(shù)？），輸出也是三個，電輸出，化學(xué)輸出，改變自身狀態(tài)（LTP 長時程增強, LTD長時程抑制）。

我們是否足夠了解神經(jīng)元？ 我個人十分懷疑這一點，前幾天還看到一個關(guān)于神經(jīng)元的進展，大意是神經(jīng)元不僅能對單一信號產(chǎn)生反應(yīng)。還能對一定一定間隔的信號產(chǎn)生反應(yīng)。。 神經(jīng)元的底層編碼能力其實更強。我們神經(jīng)科學(xué)發(fā)展了這么久，可能真的連神經(jīng)元都沒真正的搞清楚。

在這另外說一句。 深度神經(jīng)網(wǎng)絡(luò)里面，大部分節(jié)點都是等同的，但是在人類神經(jīng)網(wǎng)絡(luò)里面，并不是這樣。不同的腦區(qū)，甚至腦區(qū)內(nèi)部，神經(jīng)元的形態(tài)都可以有很大的差異，如V1內(nèi)部的六層就是基于神經(jīng)元形態(tài)的區(qū)分。從這個角度，人類神經(jīng)系統(tǒng)要更復(fù)雜一些。我個人并不否認每一種神經(jīng)元可以用不同初始化參數(shù)的 節(jié)點來代替，但是目前來說，復(fù)雜度還是要比深度神經(jīng)網(wǎng)絡(luò)要高。

信號編碼方式

再說編碼方式，神經(jīng)科學(xué)里面的 神經(jīng)元是會產(chǎn)生0-1 的動作電位，通過動作電位的頻率來編碼相應(yīng)的信號（腦子里面的大部分是這樣，外周會有其他形式的），而人工神經(jīng)網(wǎng)絡(luò)？大部分我們聽到的，看到的應(yīng)該都不是這種方式編碼的，但是 脈沖神經(jīng)網(wǎng)絡(luò) 這個東西確實也有，（去ASSC 開會的時候看到了一個很有趣的工作，在評論區(qū)簡單說了下，有興趣可以去看。）

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

目前的深度神經(jīng)網(wǎng)絡(luò)主要是三種結(jié)構(gòu)， DNN（全連接的）、CNN（卷積）， RNN（循環(huán)）。還有一些很奇怪的， 比如說...Attention 的？不好意思，文章還沒看，不敢亂說。

DNN:

CNN：

出處： AlexNet

RNN：

出處： Understanding LSTM Networks

http://colah.github.io/posts/2015-08-Understanding-LSTMs/

神經(jīng)科學(xué)里面的網(wǎng)絡(luò)結(jié)構(gòu)，此處以V1 為例：

和大家想的不同，視覺區(qū)分了V1，V2，V3，V4，V5（MT），上面還有FFA， 和一些掌管更高級功能的腦區(qū)。在這里面每一個小的視皮層里面，并不是純由神經(jīng)元互相連接構(gòu)成的，仍然存在不同的層級結(jié)構(gòu)。這里去google 找了一張圖，不用管具體的文章，主要說明的是V1 的精細結(jié)構(gòu)和連接關(guān)系。V1 的主要功能是 識別點和不同角度的線段（Hubel 和W 在上世紀50年代在貓上的工作），但是其實不止如此，V1 還對顏色有一定的感知。

如果在這個層面作比較，我自己的理解是， 人類神經(jīng)網(wǎng)絡(luò)是 DNN+ CNN + RNN 再加上脈沖作為編碼方式。層內(nèi)更像DNN， 層間和CNN 很類似，在時間上展開就是RNN。

好，我們繼續(xù)。

訓(xùn)練方式

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式主要是反向傳播，從輸出層一直反向傳播到第一層，每一層不斷修正出現(xiàn)的錯誤。但是大腦里面并沒有類似反向傳播機制，最簡單的解釋，神經(jīng)元信號傳遞具有方向性，并沒機會把信號返回上一層。舉個例子，我要拿起手邊的杯子，視覺發(fā)現(xiàn)向右偏移了一點，那我會自然而然的移動整個手臂向左一點，然后試著去重新抓住杯子。好像沒人是讓手指，手，最后是手臂朝杯子移動，甚至多次才能最后成功吧。在此引用下一篇文章里面的圖。

來源文章： Towards Biologically Plausible Error Signal Transmission in Neural Networks

https://arxiv.org/abs/1702.07097

我們的大腦，更像最后 DFA 的原理。出錯了，把誤差送到一個更靠近輸入的地方，然后重新訓(xùn)練。

記憶和遺忘

提到記憶的話，這里主要說的是LSTM， LSTM 的記憶儲存在每個節(jié)點的權(quán)重里面，同時有專門的 遺忘門 控制遺忘速率。這些都是以數(shù)字的形式存儲的。

在神經(jīng)系統(tǒng)里面，記憶的存儲是由一些腦區(qū)的突觸的形成和消失來存儲的。其實他們有一個比較共通的地方在于，他們在訓(xùn)練過程中都是漸變的。得益于反向傳播機制和 神經(jīng)系統(tǒng)的生物性，他們在訓(xùn)練過程中和在不斷的學(xué)習(xí)過程中都只能以一個相對慢的速度發(fā)生改變，從學(xué)習(xí)速率角度來講，他們是比較相似的。

然后我們來說遺忘。遺忘在LSTM 里面是通過門來控制的，在神經(jīng)系統(tǒng)里面，我覺得是和STDP相關(guān)的，它的基礎(chǔ)是 Hebb 假說， Fire Together， Wire Together， 同步放電的神經(jīng)元傾向于建立一個更強的連接。STDP 拓展了這一點，考慮了兩神經(jīng)元放電的先后順序帶來的影響。

來源：Synaptic Modification by Correlated Activity: Hebb's Postulate Revisited

http://annualreviews.org/doi/abs/10.1146/annurev.neuro.24.1.139

簡單來說，如果突觸前神經(jīng)元放電先于突觸后神經(jīng)元（神經(jīng)元信號傳導(dǎo)具有方向性，從突觸前到突觸后），這個突觸會進入一個LTP 長時程增強狀態(tài)，會對來自突觸前的信號有更強的反應(yīng)。反之，如果突觸前神經(jīng)元放電后于突觸后，則會進入一個長時程抑制的狀態(tài)（說明他倆并沒有接收到相同來源的信號，信號不相關(guān)），一段時間的反應(yīng)更弱。

深度神經(jīng)網(wǎng)絡(luò)里面門的權(quán)重也是 反向傳播訓(xùn)練出來的，也有漸變的這個性質(zhì)，當對于快速變化的刺激，有一定的滯后。從這個角度來說，人類神經(jīng)系統(tǒng)要更靈活一些，可以在很短的時間內(nèi)完成狀態(tài)的切換。

覺得想說的大概就是這些，因為我自己做的研究是 視覺注意，更多在人身上做，所以對于中間的環(huán)路級別的研究，并不是特別的熟悉。再往上，談到人類大腦皮層的工作，個人覺得做的十分的有限，對于大部分腦區(qū)，我們并不知道他們是怎么工作的，只是能把不同的腦區(qū)和不同的功能對應(yīng)起來（還不一定準）。在這個角度上談他們的異同是不太負責的。。容易被打臉。

接下來我會試著邀請幾個朋友來說下環(huán)路這個級別的事情。然后會找其他同行幫我挑錯和補充。很多東西都是按照記憶寫的。一些東西不一定準確。。

我的觀點

正如在提綱里面提到的。 對的答案往往類似，而錯誤的答案各有不同。地球上這么多高等的生命都有類似的底層網(wǎng)絡(luò)結(jié)構(gòu)，而其中的一種還發(fā)展出了這么偉大的文明，神經(jīng)網(wǎng)絡(luò)這個結(jié)構(gòu)，至少已經(jīng)被我們自己證明是一種有效的形式。但是是不是智能這個形式的全局最優(yōu)解？我個人持懷疑態(tài)度。

神經(jīng)網(wǎng)絡(luò)是一個有效的結(jié)構(gòu)，所以大家用這個結(jié)構(gòu)做出一些很好的結(jié)果，我一定都不吃驚。但是如果談模擬的話，就是盡力要往這個方向靠。這點上，我個人并不是十分看好這種方式。我們向蝙蝠學(xué)習(xí)用聲音定位，發(fā)展的聲吶無論是距離還是效果都遠超蝙蝠。我們能超過蝙蝠的原因，第一是我們的技術(shù)有拓展性，底層原理共通的情況下，解決工程和機械問題，我們可以不那么輕松但是也做到了探測幾千米，甚至幾十公里。第二個原因就是我們需要而蝙蝠不需要，他們天天在山洞里面睡覺。。哪用得著探測幾十公里的距離，探到了也吃不著。

其實人類大腦也很類似，大腦是一個進化的產(chǎn)物。是由環(huán)境不斷塑造而成的，人為什么沒進化出計算機一樣的計算能力，因為不需要。但是其實反過來也有一定的共通的地方，大腦里面的一些東西，我們也不需要，我們千百年來忍饑挨餓進化出的 對于脂肪攝入的需求，在兒童時期對于糖類攝取的需求。這么說的話，我們對于大腦，同樣去其糟粕，取其精華不是更好嗎？

我上面提到的是一個理想的情況，我們對大腦已經(jīng)了解的比較透徹的，知道該去掉哪，留下哪。但是現(xiàn)在......可能還要走一段模擬的路子。

總結(jié)一下，就是深度神經(jīng)網(wǎng)絡(luò)和大腦皮層有共通的地方，但是并不能算是模擬。只是大家都找到了解題的同一個思路而已。

拓展閱讀以及參考文獻：

從科研到腦科學(xué) - 知乎專欄

https://zhuanlan.zhihu.com/VisNeuro

Understanding LSTM Networks

http://colah.github.io/posts/2015-08-Understanding-LSTMs/

AlexNet: ImageNet Classification with Deep Convolutional Neural Networks

http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

Towards Biologically Plausible Error Signal Transmission in Neural Networks

https://arxiv.org/abs/1702.07097

STDP: Synaptic Modification by Correlated Activity: Hebb's Postulate Revisited

http://annualreviews.org/doi/abs/10.1146/annurev.neuro.24.1.139

神經(jīng)元對一定間隔信號反應(yīng)： Learned response sequences in cerebellar Purkinje cells

http://www.pnas.org/content/114/23/6127.short

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754